创建模型响应

POSThttps://vip.zen-ai.top/v1/responses

OpenAI 新一代的 Responses 接口，Codex 等工具使用该接口。相比 Chat Completions，它原生支持推理摘要、内置工具和更丰富的输出类型。

GPT-5 系列、o 系列推荐使用该接口；部分模型（如 o3-pro、o3-deep-research）只能通过该接口调用。
多轮对话推荐把完整历史放在 input 数组中传入。
也可以在 Chat Completions 中调用这些模型，参数对照见思考与推理参数。

请求头

Authorizationstring必填

Bearer sk-xxxx

Content-Typestring必填

application/json

请求体

modelstring必填

模型名称，如 gpt-5.5、gpt-5.4-mini、o3-pro。

inputstring | array必填

输入内容。字符串表示单条用户消息；数组表示多条消息 / 输入项。

子字段 2

rolestring

消息角色。

可选值userassistantsystemdeveloper

contentstring | array

消息内容。多模态时为数组，元素类型包括：

{"type": "input_text", "text": "..."}
{"type": "input_image", "image_url": "https://... 或 data:image/png;base64,..."}
{"type": "input_file", "filename": "a.pdf", "file_data": "data:application/pdf;base64,..."}

instructionsstring

系统指令，作用相当于 system 消息。

streamboolean默认 false

是否以 SSE 事件流返回。

max_output_tokensinteger

输出 token 上限（包含推理 token）。

reasoningobject

推理配置，仅推理模型支持。

子字段 2

effortstring

推理强度，可用取值因模型而异。

可选值noneminimallowmediumhighxhigh

summarystring

是否返回思考摘要。

可选值autoconcisedetailed

toolsarray

可用工具。函数工具格式为 {"type": "function", "name": "...", "description": "...", "parameters": {...}, "strict": true}（注意与 Chat Completions 不同，没有外层 function 字段）。

tool_choicestring | object

auto / none / required，或指定某个函数。

parallel_tool_callsboolean

是否允许并行调用多个工具。

textobject

文本输出配置。

子字段 2

formatobject

输出格式：{"type": "text"}、{"type": "json_object"} 或 {"type": "json_schema", "name": "...", "schema": {...}, "strict": true}。

verbositystring

回答详略程度（GPT-5 系列）。

可选值lowmediumhigh

temperaturenumber

采样温度，推理模型通常不支持。

top_pnumber

核采样，推理模型通常不支持。

storeboolean

是否在上游保存本次响应。

previous_response_idstring

上一轮响应的 ID，用于接续对话。经中转时后续请求可能路由到不同渠道，推荐改为在 input 中传入完整历史。

includearray

额外返回的数据，如 ["reasoning.encrypted_content"]。

metadataobject

自定义键值对。

响应

idstring

响应 ID，如 resp_...。

objectstring

固定为 response。

statusstring

响应状态。

可选值completedincompletein_progressfailed

modelstring

实际使用的模型。

outputarray

输出项列表，按顺序可能包含：

子字段 3

reasoningobject

type: "reasoning"，summary 中为思考摘要。

messageobject

type: "message"，content 数组中 type: "output_text" 的 text 即回复文本。

function_callobject

type: "function_call"，包含 call_id、name、arguments（JSON 字符串）。

usageobject

input_tokens、output_tokens、total_tokens，以及 input_tokens_details.cached_tokens、output_tokens_details.reasoning_tokens。

流式时依次推送 response.created、response.output_text.delta（增量文本在 delta 字段）、response.output_text.done、response.completed 等事件。

请求示例

cURLPythonNode.js

bash

curl https://vip.zen-ai.top/v1/responses \
  -H "Authorization: Bearer $VIP_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.5",
    "reasoning": {"effort": "low"},
    "input": "用一句话解释什么是 Transformer。"
  }'

python

from openai import OpenAI

client = OpenAI(base_url="https://vip.zen-ai.top/v1", api_key="sk-xxxxxxxx")

resp = client.responses.create(
    model="gpt-5.5",
    reasoning={"effort": "low"},
    input="用一句话解释什么是 Transformer。",
)
print(resp.output_text)

import OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://vip.zen-ai.top/v1", apiKey: process.env.VIP_API_KEY });

const resp = await client.responses.create({
  model: "gpt-5.5",
  reasoning: { effort: "low" },
  input: "用一句话解释什么是 Transformer。",
});
console.log(resp.output_text);

响应示例

200流式

json

{
  "id": "resp_0f3c5a9d2b7e4c1a",
  "object": "response",
  "created_at": 1790684800,
  "status": "completed",
  "model": "gpt-5.5",
  "output": [
    {
      "id": "rs_68d9...",
      "type": "reasoning",
      "summary": []
    },
    {
      "id": "msg_68d9...",
      "type": "message",
      "role": "assistant",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "text": "Transformer 是一种基于自注意力机制的神经网络架构，能并行处理序列并捕捉长距离依赖。",
          "annotations": []
        }
      ]
    }
  ],
  "usage": {
    "input_tokens": 18,
    "input_tokens_details": { "cached_tokens": 0 },
    "output_tokens": 96,
    "output_tokens_details": { "reasoning_tokens": 64 },
    "total_tokens": 114
  }
}

text

event: response.created
data: {"type":"response.created","response":{"id":"resp_0f3c...","status":"in_progress",...}}

event: response.output_text.delta
data: {"type":"response.output_text.delta","item_id":"msg_68d9...","output_index":1,"content_index":0,"delta":"月"}

event: response.output_text.done
data: {"type":"response.output_text.done","text":"..."}

event: response.completed
data: {"type":"response.completed","response":{"id":"resp_0f3c...","status":"completed","usage":{...}}}

函数调用的第二轮

模型返回 function_call 后，执行函数并把结果以 function_call_output 追加到 input 中再次请求：

python

import json

tools = [{
    "type": "function",
    "name": "get_weather",
    "description": "查询指定城市的天气",
    "parameters": {
        "type": "object",
        "properties": {"city": {"type": "string"}},
        "required": ["city"],
        "additionalProperties": False,
    },
    "strict": True,
}]
history = [{"role": "user", "content": "深圳天气怎么样？"}]

first = client.responses.create(model="gpt-5.5", input=history, tools=tools)
history += first.output  # 带上模型的 reasoning / function_call 输出项

for item in first.output:
    if item.type == "function_call":
        args = json.loads(item.arguments)
        history.append({
            "type": "function_call_output",
            "call_id": item.call_id,
            "output": json.dumps({"city": args["city"], "weather": "晴", "temp": "28°C"}, ensure_ascii=False),
        })

final = client.responses.create(model="gpt-5.5", input=history, tools=tools)
print(final.output_text)

创建模型响应 ​

请求头 ​

请求体 ​

响应 ​

函数调用的第二轮 ​

创建模型响应

请求头

请求体

响应

函数调用的第二轮